基于随机邻域嵌入的域自适应 $d$-SNE

CVPRMay, 2019

基于随机邻域嵌入的域自适应 $d$-SNE

$d$-SNE: Domain Adaptation using Stochastic Neighborhood Embedding

Xiang Xu, Xiong Zhou, Ragav Venkatesan, Gurumurthy Swaminathan, Orchid Majumder

TL;DR该论文提出了一种名为 $d$-SNE 的域适应技术，通过使用随机邻域嵌入技术和一种新的修改 Hausdorff 距离，学习端到端，使其非常适合训练神经网络，并且在实验中表现出优于当前最先进技术的性能，并且能够同时推广到多个领域。

Abstract

deep neural networks often require copious amount of labeled-data to train their scads of parameters. Training larger and deeper networks is hard without appropriate regularization, particularly while using a sma

deep neural networks regularization domain adaptation stochastic neighborhood embedding semi-supervised learning

发现论文，激发创造

用对比学习进行监督式随机近邻嵌入

在保留数据集邻近信息的范围内，我们将自监督对比方法扩展到完全监督的设置，以有效利用标签信息。属于同一类别的样本集群在低维嵌入空间中聚集在一起，同时将不同类别的样本集群推开。

Sep, 2023

DANE: 域自适应网络嵌入

本文提出了一种全新的领域自适应网络嵌入框架 (Domain Adaptive Network Embedding framework)，利用图卷积网络来学习可转移的嵌入。在该框架中，多网络的节点通过一组共同的可学习参数编码为向量，使向量共享一个对齐嵌入空间。并通过对抗学习正则化来进一步对齐不同网络上的嵌入分布。此外，DANE 在学习可转移网络嵌入方面的优势可以在理论上得到保证。广泛的实验表明，所提出的框架在跨网络领域自适应任务中优于其他最先进的网络嵌入基线。

Jun, 2019

带有敌对训练和图嵌入的域适应

该论文研究了如何对社交媒体上的帖子进行分类，提出了一种新模型，基于对抗学习进行领域自适应，并依据基于图的半监督学习来利用未标记数据，实验表明与几个基准系统相比具有显著优势。

May, 2018

对比学习暗中进行着随机邻居嵌入

本文探讨了无监督自学习对偶损失模型（SSCL）的理论基础，提出了在随机邻居嵌入（SNE）视角下，使用数据增强构建 “正” 偶对实现了对输入空间对比度的优化，通过与 SNE 对应，进一步提供了方法学指导并证明了使用域不可知增强与隐式偏见得到的潜在优势，同时证明了从 SNE 到 t-SNE 转换的适用性并在实验中取得了相应的优化效果。

May, 2022

随机聚类嵌入

本文提出了一种基于邻域嵌入的新型集群可视化方法，使用非归一化 Kullback-Leibler 散度和缩放参数以进一步优化数据聚类的可视化效果。

Aug, 2021

联合域适应

我们提出了一种新颖的神经网络端到端领域自适应技术 —— 联想域自适应，这种技术通过强化源数据与目标数据之间的关联，在嵌入空间中产生统计领域不变嵌入并最小化标签产生误差，从而对未标记的目标域推断类标签，有效地实现域适应，并取得了卓越的性能。

Aug, 2017

通过 t-SNE 镜头探索逐层的对抗性鲁棒性

我们提出了一种方法来评估图像分类人工神经网络的对抗鲁棒性，该方法利用 t-SNE 技术进行视觉检验，并且通过比较干净和扰动后的嵌入来确定网络中的弱点。通过对比两种不同的人类设计和神经进化设计的神经网络在 CIFAR-10 数据集上的分析，我们发现清晰和扰动表示之间的差异在特征提取层中就开始出现，并且影响后续的分类过程，这些结果得到了 t-SNE 图的视觉分析的支持。

Jun, 2024

深度哈希网络用于无监督域自适应

本文提出了一种新的深度学习框架，利用来源数据和目标数据来学习信息性哈希码，以解决领域自适应问题，并在多个转移任务中进行广泛实证研究，证实了该框架在学习高效哈希码方面的实用性。

Jun, 2017

神经网络的领域对抗性训练

本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。

May, 2015

面向神经机器翻译的无监督领域自适应与领域感知特征嵌入

提出一种通过使用语言建模来学习领域感知特征嵌入，在多个实验中提高神经机器翻译性能的方法，该方法允许使用者指定特定领域的文本表示。

Aug, 2019